第9章 KMV 模型求解———方程与方程组.pptx

第9章　KMV模型求解 ——方程与方程组的数值解9.1　方程与方程组在实际问题中如果我们知道某几个未知数间的关系，例如方程或方程组，则可以使用数值计算方法求解出方程或方程组的解(根)。9.1.1 　方程若x为变量，对方程 f (x) ，若存在x*，使得f (x*)=0，则x*为方程 f (x)的解（根）。求解方程算法为迭代算法，通常使用优化算法求解方程若上述方程有解，则对于上述优化问题的最小值为0，对应的最优点即为方程的解（根），若方程有多解，则优化问题存在多个极值使得函数值为0。例如注：上述方程未必有解，也可能解不唯一，具体理论可以参考相关数学理论书籍。9.1.1 　方程组若x为变量，对方程组若存在x*,使得则x*为方程组的解或者根。求解方程（组）算法为迭代算法，通常可以使用优化算法求解方程（组）。若上述方程组有解，则对于优化问题的最小值为0，对应的最优点即为方程组的解（根），若方程（组）有多解，则优化问题存在多个极值使得函数值为0。注：上述方程组未必有解，也可能解不唯一，具体理论可以参考相关数学理论书籍。9.2　方程与方程组的求解9.2.1 　fzero函数fzero是MATLAB最主要内置的求解单变量方程的函数。函数语法：［x,fval,exitflag,output］ = fzero(fun,x0,options)输入参数： fun:目标函数，一般用M文件形式给出； x0：优化算法初始迭代点； options:参数设置。注：方程组求解一般使用迭代算法，迭代是数值分析中通过从一个初始估计出发寻找一系列近似解来解决问题（一般是解方程或者方程组）的过程，为实现这一过程所使用的方法统称为迭代法（iterative method）。这里输入的x0为初始迭代点。函数输出： x:最优点输出（或最后迭代点）； fval:最优点（或最后迭代点）对应的函数值； exitflag:函数结束信息 （具体参见MATLAB Help）； output:函数基本信息（包括迭代次数、目标函数最大计算次数、使用的算法名称、计算规模）。9.2.2 　fsolve函数fsolve是MATLAB最主要求解多变量方程与方程组的函数。函数语法：［x,fval,exitflag,output,jacobian］ = fsolve(fun,x0,options)输入参数： fun:目标函数，一般用M文件形式给出； x0：优化算法初始迭代点； options: 参数设置。函数输出： x:最优点输出（或最后迭代点）； fval:最优点（或最后迭代点）对应的函数值； exitflag:函数结束信息 （具体参见MATLAB Help）； output:函数基本信息（包括迭代次数、目标函数最大计算次数、使用的算法名 称、计算规模）； jacobian：Jacobian矩阵（主要用来判断是否得到有效解）。9.2.3 　含参数方程组求解例1　求解多变量方程求解过程如下：① 编写目标函数Eqfunobj2.m如下：② 编写求解函数SolveEqfun2.m如下：9.3　KMV模型方程组的求解9.3.1 　KMV模型简介KMV模型是美国旧金山市KMV公司于20世纪90年代建立的用来估计借款企业违约概率的方法。KMV模型认为，贷款的信用风险是在给定负债的情况下由债务人的资产市场价值决定的。但资产并没有真实地在市场交易，资产的市场价值不能直接观测到。为此，模型将银行的贷款问题倒转一个角度，从借款企业所有者的角度考虑贷款归还的问题。在债务到期日，如果公司资产的市场价值高于公司债务值（违约点），则公司股权价值为公司资产市场价值与债务值之间的差额；如果此时公司资产价值低于公司债务值，则公司变卖所有资产用于偿还债务，股权价值变为零。KMV模型的优势在于以现代期权理论基础作依托，充分利用资本市场的信息而非历史账面资料进行预测，将市场信息纳入了违约概率，更能反映上市企业当前的信用状况，是对传统方法的一次革命。KMV模型是一种动态模型，采用的主要是股票市场的数据，因此，数据和结果更新很快，具有前瞻性，是一种“向前看”的方法。9.3.2 　读取数据函数xlsreadKMV模型又称为预期违约率模型(Expected Default Frequency，EDF)，该模型把违约债务看作企业的或有权益,把所有者权益视为看涨期权,将负债视为看跌期权，而把公司资产(股票加债务)作为标的资产。该模型认为企业信用风险主要决定于企业资产市场价值、波动率以及负债账面价值。当企业资产未来市场价值低于企业所需清偿的负债面值时,企业将会违约。企业资产未来市场价值的期望值到违约点之间的距离就是违约距离DD(Distance to Default), 它以资产市场价值标准差的倍数表示，距离越远，公司发生违约的可能性越小，反之，公司发